[发明专利]一种流体机械振动数据驱动的空化状态识别方法

权利要求书

1.一种流体机械振动数据驱动的空化状态识别方法，其特征在于，包括：

S1：获取针对目标离心泵构建的空化数据集；所述空化数据集中的每个训练样本包括输入数据和标签，所述输入数据为布置于离心泵上不同位置的所有振动传感器在一个空化条件下采集的振动信号序列，所述标签为离心泵在输入数据对应的空化条件下的空化强度；且所述空化强度是在壳体透明的离心泵运行过程中利用外部成像设备拍摄泵内叶轮区域图像，并进一步通过计算从图像中识别的空化区域和叶轮流道的面积之比而得到的；

S2：利用所述空化数据集训练自适应神经网络，得到空化状态识别模型；所述自适应神经网络以布置于离心泵上不同位置的所有振动传感器采集的振动信号序列为输入，通过对输入的振动信号序列进行高维特征提取，最终通过分类和回归输出对应的空化强度预测值；

S3、通过布置于目标离心泵上不同位置的所有振动传感器在线采集振动信号序列，并将采集的振动信号序列输入训练得到的空化状态识别模型中，在线预测得到目标离心泵当前的实时空化强度。

2.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法，其特征在于，当目标离心泵得到多组在线预测结果后，将其中置信度高于阈值的振动信号序列和对应的空化强度构建为新的训练样本，并扩充至所述空化数据集中，重新训练自适应神经网络，更新空化状态识别模型，使模型定期进行自主学习。

3.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法，其特征在于，所述空化数据集通过将测试泵安装于测试系统中进行多工况试验得到，且所述测试泵的壳体采用透明材质，内部结构与目标离心泵完全相同。

4.如权利要求3所述的流体机械振动数据驱动的空化状态识别方法，其特征在于，所述多工况试验的具体方法为：

在目标离心泵的流量调节范围内，采样不同的流量条件，并在每一种流量条件下对测试泵进行空化试验；在每一次空化试验过程中，先保证测试泵内的流量稳定在当前流量条件下，然后按照预设的压力控制点逐步降低测试泵入口压力使得测试泵内逐渐产生空化，且在每一个压力控制点处维持一段稳态时间并在该段稳态时间中利用布置于测试泵上不同位置的振动传感器分别采集的振动信号序列，同时同步利用布置于测试泵外部的成像设备透过透明壳体拍摄泵内叶轮区域图像；针对拍摄得到的泵内叶轮区域图像进行空化区域和叶轮流道的识别，并用空化区域的像素数量与叶轮流道的像素数量之比作为对应的流量条件和压力控制点下的空化强度。

5.如权利要求4所述的流体机械振动数据驱动的空化状态识别方法，其特征在于，所述测试泵进行空化试验，测试泵连接于供水的储罐上，通过调节储罐内部的负压程度来改变测试泵入口压力。

6.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法，其特征在于，所述自适应神经网络采用自适应一维卷积神经网络模型，模型由输入层、多层卷积池化模块、全连接层和输出层级联而成；

所述输入层中，首先对输入的振动信号序列进行归一化，然后将每个传感器的振动信号序列按照固定时间窗口滑移切分为一系列序列切片，每个序列切片的长度至少覆盖离心泵叶轮的一个转动周期；

每层所述卷积池化模块均由一层卷积层之后级联一层最大池化层组成，其中卷积层的输入为上一层网络层的输出，卷积层的激活函数输出作为最大池化层的输入，最大池化层输出作为下一网络层的输入；且最后一层卷积池化模块中的最大池化层对卷积核大小进行自适应调整，使其输出的特征向量适应于所述输出层的输入维度；

所述全连接层中，对最后一层卷积池化模块输出的特征向量进行全连接操作；

所述输出层中，通过对全连接层输出的特征向量进行分类回归，得到空化强度的预测标签。

7.如权利要求1所述的流体机械振动数据驱动的空化状态识别方法，其特征在于，所述自适应神经网络中，分别对每一个振动传感器采集的振动信号序列输出对应的空化强度标签概率分布，然后将所有振动传感器对应的空化强度标签概率分布进行平均，从平均概率分布中选择概率最大的空化强度标签作为最终输出的空化强度预测值。